如何准备去面试一个AI研究岗位？
Sakana AI写了这篇准备研究岗位申请的非官方指南，感觉很有通用性，供参考：
-------------------------
准备研究岗位申请的非官方指南 | Sakana AI
作者： Stefania Druga, Luke Darlow, 和 Llion Jones

免责声明： 本指南由 Sakana AI 的几位研究人员编写，他们曾面试过许多候选人，但本文不代表整个组织的观点。每个团队在面试和寻找合作伙伴时可能都有自己的偏好和风格。这份文件由 Stefania, Luke 和 Llion 撰写，旨在提供我们研究组织部分面试流程的一瞥。

一、核心原则：理解重于实现
-------------------------
成功候选人与不成功候选人之间最大的区别，不在于他们是否完成了技术评估，而在于他们：
*是否理解自己构建的东西，并能够清晰地阐述这种理解。*
许多候选人可以利用教程、文档和 AI 编程助手实现复杂的系统。但能够解释“为什么要做出
每个设计选择”、“与其他可能的选择相比有何不同”、“局限性是什么”，以及“如果有更
多时间会如何改进”的人却寥寥无几。

二、我们在寻找什么
-------------------------
1. 能提炼问题空间的问题
优秀的候选人不仅仅是回答我们的问题，他们还会提出额外的、富有洞察力且发人深省的
问题。这表明他们对问题空间有更深入的理解，或者具备拆解、破译和阐明该问题空间的
强大能力。
>> 在为你的方案辩护之前，问问自己：
>> “我解决的是正确的问题，还是仅仅解决了一个问题？”

2. 针对真正风险的原型
目标不是构建所有东西，而是构建能够测试你 *风险最大假设* 的东西。
在讨论你的工作时，准备好解释：
- 核心假设是什么？
- 测试它所需的最小实验是什么？
- 你学到了什么，接下来你会做什么？

3. 解释决策背后的推理
你解决方案中的每一个选择都应该有理由。不需要是一个完美的理由，但必须是一个你能
表达并辩护的理由。
> “我尝试了 X，因为我预期会有 Y 结果。但我观察到了 Z，这告诉我……”
这种 [假设 -> 测试 -> 更新] 的模式是研究的基本推理方法。面试官希望在你的工作中
看到这种证据。

4. 降低歧义的沟通
清晰并不意味着说得多，而是 *说到点子上*。
[ 优秀的候选人 ]
- 先陈述结论，再解释
- 明确指出他们不知道的地方
- 回答完问题后就停下

[ 不太成功的候选人 ]
- 说得太泛或犹豫不决
- 试图用听起来令人兴奋但尚未尝试的想法打动面试官

注意：如果你发现自己说了一会儿还没得出结论，停下来重置思路是很有帮助的。成功的
面试不仅仅是一系列的问答，而是围绕技术评估中提出的想法展开的有趣讨论。

5. “好的”兔子洞（深入探索）
我们正在寻找喜欢深入思考想法的人，他们对微小的细节感兴趣，并乐于讨论可能的研究
决策带来的影响。

如果你在某个主题/想法/方法上发现了共同的兴趣，你应该考虑在此基础上展开。面试官
通常已经见过几十次技术题集的解决方案：如果你能找到一些东西让你脱颖而出，那对你
非常有利。

6. 技术能力 vs. 构思与创造力
有天赋的研究人员通常在“强大的工程师”和“拥有可操作的创意想法”之间保持平衡。
(A) 关于技术天赋
这通常很容易展示。你应该为你投入的辛勤工作感到自豪。但在 AI 研究中，通常
“足够好”就够了。你需要知道何时停止完美主义，转而关注报告撰写和结果展示。
(B) 关于创意
无法付诸实践的想法毫无价值。拥有有趣但简单、不至于过度宏大，且你可以采取清
晰步骤去追求的想法（即建立假设、测试、解释），比空有野心要好得多。
(C) 关于直觉
机器学习研究人员的一项重要技能是让想法 *运作良好* 的毅力和耐心。这需要对
“什么可能不起作用”以及“如何调整”培养出强大的直觉。这是很难教授的技能，
只能通过多年自己构建模型获得。

7. 深度重于广度
不要试图尝试无数的想法或对现有范式进行细微的偏差，而是要深入探索 *单一的、新颖
的概念*。

例如，与其测试不同的激活函数或位置嵌入（这通常只能带来边际改善），不如进行一个
单一的、稍微不传统但动机充分的修改。哪怕它没有改善基线，也比实施几个标准更改要
好得多，因为这能引发更丰富的讨论。

★ 要点：如果你在你选择探索的部分钻研得更深，你可以在技术问题集中做得更少。
★ 推论：不要试图通过增加更多肤浅的实验来弥补深度的不足！

三、实用检查清单
-------------------------

【 一周前 】
[ ] 像一个怀疑的审稿人一样重读你的提交内容。（别忘了你做过的尝试！）
[ ] 对于每个实验：记录下假设、方法、结果、局限性。
[ ] 找出最薄弱的环节。准备好诚实地讨论它们。

【 前一天 】
[ ] 练习在两分钟内解释每个部分，然后是三十秒的版本。
[ ] 复习相关的 ML 基础知识（例如：如果你用了 Adam，了解它和 SGD 的区别）。
[ ] 将你的研究兴趣综合成一个具体的陈述。

【 面试期间 】
[ ] 如果你不理解问题，就问。
[ ] 如果你不知道答案，就直说，然后通过推理去解答。
[ ] 在被问及之前主动提及局限性。
[ ] 展示好奇心，而不仅仅是能力。

四、结语
-------------------------
虽然我们预期候选人会使用 AI 辅助来准备他们的申请，但我们鼓励你 *坦率并明确地说明*
你何时、如何以及为何使用 AI，并能够清晰表达和区分你自己的贡献。

即使你大量依赖 AI（这在最近是完全正常的），你仍然需要阅读并理解 AI 产出的所有内
容，并能够在面试中展示这一点。

技术评估只是一个对话的开始。真正的面试是关于：

*** 你如何思考 ***

成功的候选人有一个共同点：他们像研究人员一样思考，而不是像实施者。他们质疑假设，
批判性地评估结果，精准地沟通，并对未解决的问题怀有真正的好奇心。

#科技先锋官#